論文の概要: Self-Prediction for Joint Instance and Semantic Segmentation of Point Clouds

• arxiv url: http://arxiv.org/abs/2007.13344v1
• Date: Mon, 27 Jul 2020 07:58:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-06 09:03:54.752017
• Title: Self-Prediction for Joint Instance and Semantic Segmentation of Point Clouds
• Title（参考訳）: 点雲のジョイントインスタンスとセマンティックセグメンテーションの自己予測
• Authors: Jinxian Liu, Minghui Yu, Bingbing Ni and Ye Chen
• Abstract要約: 我々は,3次元のインスタンスと点雲のセマンティックセグメンテーションのための新たな学習手法であるSelf-Predictionを開発した。 本手法は,S3DISとShapeNetのインスタンスセグメンテーション結果と,S3DISとShapeNetのセグメンテーション結果に匹敵するセグメンテーション結果を得る。
• 参考スコア（独自算出の注目度）: 41.75579185647845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a novel learning scheme named Self-Prediction for 3D instance and semantic segmentation of point clouds. Distinct from most existing methods that focus on designing convolutional operators, our method designs a new learning scheme to enhance point relation exploring for better segmentation. More specifically, we divide a point cloud sample into two subsets and construct a complete graph based on their representations. Then we use label propagation algorithm to predict labels of one subset when given labels of the other subset. By training with this Self-Prediction task, the backbone network is constrained to fully explore relational context/geometric/shape information and learn more discriminative features for segmentation. Moreover, a general associated framework equipped with our Self-Prediction scheme is designed for enhancing instance and semantic segmentation simultaneously, where instance and semantic representations are combined to perform Self-Prediction. Through this way, instance and semantic segmentation are collaborated and mutually reinforced. Significant performance improvements on instance and semantic segmentation compared with baseline are achieved on S3DIS and ShapeNet. Our method achieves state-of-the-art instance segmentation results on S3DIS and comparable semantic segmentation results compared with state-of-the-arts on S3DIS and ShapeNet when we only take PointNet++ as the backbone network.
• Abstract（参考訳）: 我々は,3次元のインスタンスと点雲のセマンティックセグメンテーションのための新たな学習手法であるSelf-Predictionを開発した。 畳み込み演算子の設計に焦点を絞った既存の手法とは違い,本手法はより優れたセグメンテーションを求める点関係を探索する新たな学習手法を設計する。 具体的には、点雲サンプルを2つの部分集合に分割し、それらの表現に基づいて完全なグラフを構築する。 次に、ラベル伝搬アルゴリズムを用いて、あるサブセットのラベルが与えられたときに、あるサブセットのラベルを予測する。 この自己予測タスクでトレーニングすることで、バックボーンネットワークは、関係コンテキスト/幾何/形状情報を完全に探索し、セグメンテーションのより識別的な特徴を学ぶことが制限される。 さらに,この自己予測スキームを備えた汎用フレームワークは,インスタンスと意味セグメンテーションを同時に強化するために設計され,インスタンスと意味表現を結合して自己予測を行う。 このように、インスタンスとセマンティクスのセグメンテーションは協調して強化される。 S3DISとShapeNetでは、ベースラインと比較して、インスタンスとセマンティックセグメンテーションのパフォーマンスが大幅に向上した。 提案手法は,S3DISとS3DISとShapeNetでは,PointNet++をバックボーンネットワークとみなすだけで,最先端のインスタンスセグメンテーション結果と同等のセグメンテーション結果が得られる。

関連論文リスト

• Instance Consistency Regularization for Semi-Supervised 3D Instance Segmentation [50.51125319374404]
  ラベルのないデータから純粋なインスタンス知識を探索し活用するための,新たな自己学習ネットワークInsTeacher3Dを提案する。 複数の大規模データセットの実験結果から、InsTeacher3Dは最先端の半教師付きアプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-06-24T16:35:58Z)
• Instance-aware 3D Semantic Segmentation powered by Shape Generators and Classifiers [28.817905887080293]
  本稿では,3次元セマンティックセグメンテーションのための新しいインスタンス認識手法を提案する。 本手法は,学習した特徴表現の一貫性を促進するために,インスタンスレベルでの幾何処理タスクを組み合わせる。
  論文  参考訳（メタデータ） (2023-11-21T02:14:16Z)
• Deep Semantic Graph Matching for Large-scale Outdoor Point Clouds Registration [22.308070598885532]
  我々は、ポイントクラウド登録問題をセマンティックインスタンスマッチングと登録タスクとして扱う。 大規模屋外クラウド登録のためのディープセマンティックグラフマッチング法(DeepSGM)を提案する。 KITTIオドメトリデータセットで行った実験結果から,提案手法が登録性能を向上させることが示された。
  論文  参考訳（メタデータ） (2023-08-10T03:07:28Z)
• You Only Need One Thing One Click: Self-Training for Weakly Supervised 3D Scene Understanding [107.06117227661204]
  私たちはOne Thing One Click''を提案する。つまり、アノテーションはオブジェクトごとに1つのポイントをラベル付けするだけです。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 我々のモデルは、ポイントクラスタリング戦略を備えた3Dインスタンスセグメンテーションと互換性がある。
  論文  参考訳（メタデータ） (2023-03-26T13:57:00Z)
• PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
  本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。 その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。 提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-04-25T02:41:46Z)
• Robust 3D Scene Segmentation through Hierarchical and Learnable Part-Fusion [9.275156524109438]
  3Dセマンティックセグメンテーションは、自律運転、ロボット工学、AR/VRといったいくつかのシーン理解アプリケーションのための基本的なビルディングブロックである。 従来の手法では、階層的で反復的な手法を用いて意味や事例情報を融合するが、文脈融合における学習性は欠如している。 本稿では,セグメンテーション・フュージョン(Seegment-Fusion)について述べる。
  論文  参考訳（メタデータ） (2021-11-16T13:14:47Z)
• One Thing One Click: A Self-Training Approach for Weakly Supervised 3D Semantic Segmentation [78.36781565047656]
  私たちは、アノテーションーがオブジェクトごとに1ポイントだけラベルを付ける必要があることを意味する「One Thing One Click」を提案します。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 私たちの結果は、完全に監督されたものと同等です。
  論文  参考訳（メタデータ） (2021-04-06T02:27:25Z)
• SASO: Joint 3D Semantic-Instance Segmentation via Multi-scale Semantic Association and Salient Point Clustering Optimization [8.519716460338518]
  セグメンテーションタスクとインスタンスセグメンテーションタスクを共同で行う,SASOという新しい3Dポイントクラウドセグメンテーションフレームワークを提案する。 空間的文脈におけるオブジェクト間の固有相関から着想を得たセグメンテーションタスクに対して,マルチスケールセマンティックアソシエーション(MSA)モジュールを提案する。 例えば、推論手順のみでクラスタリングを利用する以前の作業とは異なるセグメンテーションタスクでは、Salient Point Clustering Optimization (SPCO) モジュールを提案する。
  論文  参考訳（メタデータ） (2020-06-25T08:55:25Z)
• Few-shot 3D Point Cloud Semantic Segmentation [138.80825169240302]
  本稿では,新しい注意型マルチプロトタイプトランスダクティブ・ショットポイント・クラウドセマンティックセマンティック・セマンティクス法を提案する。 提案手法は,雲のセマンティックセマンティックセグメンテーション設定の違いによるベースラインに比べて,顕著で一貫した改善を示す。
  論文  参考訳（メタデータ） (2020-06-22T08:05:25Z)
• Bi-Directional Attention for Joint Instance and Semantic Segmentation in Point Clouds [9.434847591440485]
  バックボーンニューラルネットワーク上にバイディレクショナル・アテンション・モジュールを構築し、3Dポイント・クラウド・インセプションを実現する。 これは、あるタスクの特徴から測定された類似度行列を使用して、他のタスクの非ローカル情報を集約する。 S3DISデータセットとPartNetデータセットに関する総合実験とアブレーション研究から,本手法の優位性を検証した。
  論文  参考訳（メタデータ） (2020-03-11T17:16:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。